Künstliche neuronale Netze (engl. artificial neural networks - ANNs) als Teilgebiet der Künstlichen Intelligenz beinhalten im Wesentlichen Vorschläge für die computergestützte Simulation neuronaler Schaltvorgänge, wie sie im Gehirn beobachtet werden können (siehe auch neuronale Netze). Sie sind eine Realisierung des konnektionistischen Paradigmas.
Während das Gehirn zur massiven Parallelverarbeitung in der Lage ist, arbeiten die meisten heutigen Computersysteme nur sequentiell bzw. partiell parallel (sog. Von-Neumann-Architektur eines Rechners). Es gibt jedoch auch erste Prototypen neuronaler Rechnerarchitekturen, sozusagen den Neuronalen Chip, für die das Forschungsgebiet der KNNs die theoretischen Grundlagen bereitstellt. Man stellt KNNs damit explizit den natürlichen »neuronalen Netzwerken« gegenüber, welches Modelle von Nervenzellverschaltungen im Gehirn sind. Meistens sind im fachlichen Sprachgebrauch KNNs gemeint, wenn nur von »neuronalen Netzen« die Rede ist.
Anwendung
Neuronale Netze haben im Vergleich zu anderen Gebieten der künstlichen Intelligenz ihren Anwendungsschwerpunkt immer genau dort, wo ein Computer etwas lernen soll bzw. auch durch einige ausgewählte Eingabemuster auf eine allgemeinere, abstraktere Form des Musters schließen können soll (»Generalisierung«, z.B. Bild-/Gesichtserkennung). Auch bei der Vorhersage von Veränderungen in komplexen Systemen werden KNNs unterstützend hinzugezogen, z.B. zur Früherkennung sich abzeichnender Tornados oder aber auch zur Abschätzung der weiteren Entwicklung wirtschaftlicher Prozesse.
Die beiden Hauptnachteile von KNNs der Gegenwart sind
1. Das Trainieren von KNNs (im Terminus der Statistik: Das Schätzen der im Modell enthaltenen Parameter) führt oftmals zu hochdimensionalen, nichtlinearen Optimierungsproblemen. Die prinzipielle Schwierigkeit bei der Lösung dieser Probleme besteht in der Praxis häufig darin, dass man nicht sicher sein kann, ob man das globale (!) Optimum gefunden hat oder nur ein lokales. Obgleich in der Mathematik eine Fülle relativ schnell konvergierender Optimierungsverfahren entwickelt wurde (beispielsweise Quasi-Newton Verfahren: BFGS, DFP usw.), stellen auch diese zumeist nur eine suboptimale Lösung dar. Eine zeitaufwendige Näherung an die globale Lösung erreicht man ggf. durch die vielfache Wiederholung der Optimierung mit immer neuen Startwerten.
2. Bei Anwendung einer ‚heuristischen‘ - nicht statistischen - Vorgehensweise bei der Netzwerkspezifikation, neigen KNN dazu, die Trainingsdaten einfach auswendig zu lernen (Overfitting). Wenn dies geschieht, können sie nicht mehr auf neue Daten verallgemeinern. Um Overfitting zu vermeiden, muss die Netzwerkarchitektur sehr ‚vorsichtig‘ gewählt werden. Dieses Problem existiert auch bei vielen anderen statistischen Verfahren und wird als ‚bias-variance trade-off‘ bezeichnet. Durch Anwendung statistischer Testverfahren lassen sich jedoch ‚Überanpassungseffekte‘ im Regelfall vermeiden. Hierdurch ist die in der Praxis oft noch anzutreffende Strategie des ‚Ausprobierens‘ verschiedener Netzwerkstrukturen nicht mehr nötig und entsprechend als ineffizient einzustufen. Seit einigen Jahren werden häufig verbesserte Verfahren (Boosting, Support Vektor Maschinen, Regularisierungsnetzwerke) eingesetzt, die diesem Problem begegnen.
Dieser Beitrag ist aus der XML-Version der deutschen WikiPedia® entwickelt worden und unterliegt inhaltlich den GNU FDL-Lizenzbestimmungen. Linkziele außerhalb der wikipedia-Inhalte unterliegen den Urheberrechten der jeweiligen Anbieter
( DirectDownloads ) Kalenderblätter druckfertig aufbereitet für Schmuckblätter zum Selbstdrucken im Word DOC6/RTF Format, je Euro 5 über Click&BuyJAN | FEB | MÄRZ APRIL | MAI | JUNI JULI | AUG | SEPT OKT | NOV | DEZ
Das Geschenk für jeden Anlass, nicht nur bei 'runden' Jubiläen Andere Einzeltage oder Zahlungsarten bitte HIER bestellen
Diese Web Site verdient ihr Geld durch Produktverkäufe (CD-ROM, downloads) und in erster Linie durch Anzeigen. Wenn Sie als Webmaster zuverlässige Partner suchen für Ihr eigenes Anzeigenschäft, dürfen Sie sich gerne auf unsere Empfehlungen stützen:
z.B.: GigaCash & ProfiWin
